論文の概要: Zero-Shot Learning and its Applications from Autonomous Vehicles to COVID-19 Diagnosis: A Review

• arxiv url: http://arxiv.org/abs/2004.14143v3
• Date: Sun, 29 Nov 2020 03:27:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 10:16:27.965255
• Title: Zero-Shot Learning and its Applications from Autonomous Vehicles to COVID-19 Diagnosis: A Review
• Title（参考訳）: ゼロショット学習と自動運転車からのCOVID-19診断への応用 : レビュー
• Authors: Mahdi Rezaei and Mahsa Shahidi
• Abstract要約: 本稿では,人間の学習方法に類似した複雑な学習課題を扱うことを目的として,本論文を通じて有用な直観を伝えることを目的とする。 新型コロナウイルスの早期かつ迅速な診断に対処し、ZSLを使った他の類似のAIベースの自動検出/認識システムの開発を読者に促す。
• 参考スコア（独自算出の注目度）: 1.027974860479791
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The challenge of learning a new concept, object, or a new medical disease recognition without receiving any examples beforehand is called Zero-Shot Learning (ZSL). One of the major issues in deep learning based methodologies such as in Medical Imaging and other real-world applications is the requirement of large annotated datasets prepared by clinicians or experts to train the model. ZSL is known for having minimal human intervention by relying only on previously known or trained concepts plus currently existing auxiliary information. This makes the ZSL applicable in many real-world scenarios, from unknown object detection in autonomous vehicles to medical imaging and unforeseen diseases such as COVID-19 Chest X-Ray (CXR) based diagnosis. We introduce a novel and broaden solution called Few/one-shot learning, and present the definition of the ZSL problem as an extreme case of the few-shot learning. We review over fundamentals and the challenging steps of Zero-Shot Learning, including state-of-the-art categories of solutions, as well as our recommended solution, motivations behind each approach, their advantages over each category to guide both clinicians and AI researchers to proceed with the best techniques and practices based on their applications. We then review through different datasets inducing medical and non-medical images, the variety of splits, and the evaluation protocols proposed so far. Finally, we discuss the recent applications and future directions of ZSL. We aim to convey a useful intuition through this paper towards the goal of handling complex learning tasks more similar to the way humans learn. We mainly focus on two applications in the current modern yet challenging era: coping with an early and fast diagnosis of COVID-19 cases, and also encouraging the readers to develop other similar AI-based automated detection/recognition systems using ZSL.
• Abstract（参考訳）: ゼロショット学習(ZSL)という,新たな概念や対象,あるいは新たな医学的疾患の認識を事前に受け取らずに学べることが課題である。 医学画像やその他の実世界の応用におけるディープラーニングベースの方法論における大きな問題の1つは、臨床医や専門家がモデルを訓練するために準備した大規模な注釈付きデータセットの必要性である。 zslは、既知または訓練済みの概念と既存の補助情報のみに依存することで、人間の介入を最小限に抑えることで知られている。 これによりZSLは、自動運転車の未知の物体検出から医療画像、CXR(COVID-19 Chest X-Ray)ベースの診断など、多くの現実のシナリオに適用できる。 本稿では,Few/One-shot Learningと呼ばれる新しい広義の解を導入し,ZSL問題の定義を,数発学習の極端な場合として提示する。 我々は、ゼロショットラーニングの基本と、最先端のソリューションカテゴリ、推奨ソリューション、それぞれのアプローチの背後にあるモチベーション、臨床医とAI研究者の両方がアプリケーションに基づいたベストプラクティスと実践を進めるためのそれぞれのカテゴリに対するアドバンテージなど、挑戦的なステップについてレビューする。 次に、医用画像と非医療用画像の異なるデータセット、さまざまな分割、これまでに提案されている評価プロトコルについてレビューする。 最後に、ZSLの最近の応用と今後の方向性について述べる。 我々は,人間の学習方法に近い複雑な学習タスクを扱うという目的に向けて,本論文を通して有用な直観を伝えることを目指している。 新型コロナウイルスの早期かつ迅速な診断に対処し、ZSLを使った他の類似のAIベースの自動検出/認識システムの開発を読者に促す。

関連論文リスト

• Gait Patterns as Biomarkers: A Video-Based Approach for Classifying Scoliosis [10.335383345968966]
  スコリオーシスは、特に青年期において重要な診断上の課題を呈する。 従来の診断と追跡方法は、臨床専門知識と放射線曝露のリスクのために限界に直面している。 歩行分析を用いた新しいビデオベース非侵襲的スコリオーシス分類法を提案する。
  論文  参考訳（メタデータ） (2024-07-08T08:29:02Z)
• A Systematic Review of Few-Shot Learning in Medical Imaging [1.049712834719005]
  少ないショットの学習技術は、データの不足を減らし、医療画像分析を強化する。 この体系的なレビューは、医療画像における数ショット学習の概要を包括的に示すものである。
  論文  参考訳（メタデータ） (2023-09-20T16:10:53Z)
• Learning Through Guidance: Knowledge Distillation for Endoscopic Image Classification [40.366659911178964]
  内視鏡は消化管(GI)の根底にある異常を同定する上で重要な役割を担っている。 ディープラーニング、特にCNN(Convolution Neural Networks)は、従来の機能エンジニアリングを使わずに自動機能学習を実行するように設計されている。 KDに基づく3つの学習フレームワーク、応答ベース、特徴ベース、関係ベースメカニズムについて検討し、関係ベース学習を支援するために、新しい多面的注意型特徴融合機構を導入する。
  論文  参考訳（メタデータ） (2023-08-17T02:02:11Z)
• See Through the Fog: Curriculum Learning with Progressive Occlusion in Medical Imaging [15.382184404673389]
  ディープラーニングモデルは、重要な特徴が部分的に、あるいは完全に排除された、困難なイメージに苦しむことが多い。 本稿では,隠蔽された医用画像の処理を効果的に行うために,ディープラーニングモデルを訓練するためのカリキュラムベースの新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-06-27T15:53:20Z)
• Pixel-Level Explanation of Multiple Instance Learning Models in Biomedical Single Cell Images [52.527733226555206]
  複数のインスタンス学習モデルを説明するための4つの属性法について検討する。 急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。 我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
  論文  参考訳（メタデータ） (2023-03-15T14:00:11Z)
• Dissecting Self-Supervised Learning Methods for Surgical Computer Vision [51.370873913181605]
  一般のコンピュータビジョンコミュニティでは,自己監視学習(SSL)手法が普及し始めている。 医学や手術など、より複雑で影響力のある領域におけるSSLメソッドの有効性は、限定的かつ未調査のままである。 外科的文脈理解,位相認識,ツール存在検出の2つの基本的なタスクに対して,これらの手法の性能をColec80データセット上で広範囲に解析する。
  論文  参考訳（メタデータ） (2022-07-01T14:17:11Z)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Learning Physical Concepts in Cyber-Physical Systems: A Case Study [72.74318982275052]
  本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。 また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
  論文  参考訳（メタデータ） (2021-11-28T14:24:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。